Prediksi Kelulusan Mahasiswa Stikom Tunas Bangsa Prodi Sistem Informasi Dengan Menggunakan Algoritma C4.5

(1)

Prediksi Kelulusan Mahasiswa Stikom Tunas Bangsa Prodi Sistem Informasi Dengan Menggunakan Algoritma C4.5

Lydia Yohana Lumban Gaol

¹

, M. Safii

²

, Dedi Suhendro

³

1

STIKOM Tunas Bangsa Pematangsiantar, Sumatera Utara, Indonesia

2,3

AMIK Tunas Bangsa Pematangsiantar, Sumatera Utara, Indonesia Jln. Sudirman Blok A No. 1-3 Pematangsiantar, Sumatera Utara

1

Graduation is an important element in an accreditation assessment process of an institution or university. It is important to find out information about the predictions of student graduation in the Information Systems Study Program at STIKOM Tunas Bangsa Pematangsiantar, so that students who cannot graduate on time can be identified earlier.

The application of data mining can be used to predict student graduation. Method that often used to predict student graduation is classification method. This research using C4.5 Algorithm. Data that used as training data are from alumni of Information Systems Study Program at STIKOM Tunas Bangsa and the final level student data of Information Systems Study Program at STIKOM Tunas Bangsa used as testing data. Through this research, it is expected that the results can provide information on predictions of student graduation on time and as a suggestion for the university in making good decisions for improvement in the future.

Keywords : Prediction, Graduation, Data mining, C4.5 Algorithm

Abstrak

Kelulusan merupakan salah satu elemen penting dalam proses penilaian akreditasi suatu institusi atau perguruan tinggi. Penting untuk mengetahui informasi mengenai prediksi kelulusan mahasiswa di Program Studi Sistem Informasi di STIKOM Tunas Bangsa Pematangsiantar, sehingga sejak dini dapat diidentifikasi mahasiswa yang tidak dapat lulus tepat waktu. Penerapan data mining dapat digunakan untuk melakukan prediksi terhadap kelulusan mahasiswa. Metode yang sering digunakan untuk melakukan prediksi kelulusan mahasiswa adalah metode klasifikasi. Dalam penelitian ini Algoritma yang digunakan Algoritma C4.5. Adapun data yang digunakan sebagai data training adalah alumni prodi Sistem Informasi STIKOM Tunas Bangsa dan data mahasiswa tingkat akhir prodi Sistem Informasi STIKOM Tunas Bangsa digunakan sebagai data testing. Dengan adanya penelitian ini, diharapkan hasilnya dapat memberikan informasi mengenai prediksi kelulusan tepat waktu mahasiswa dan masukan bagi pihak perguruan tinggi dalam membuat kebijakan demi perbaikan di masa yang akan datang.

Kata Kunci : Prediksi, Kelulusan, Data mining, Algoritma C4.5

1. Pendahuluan

STIKOM Tunas Bangsa merupakan salah satu perguruan tinggi IT yang terdapat di kota Pematangsiantar. STIKOM Tunas Bangsa sudah berdiri sejak tahun 2014.

Adapun Program Studi yang berada dibawah naungan STIKOM Tunas Bangsa Pematangsiantar antara lain, Program Studi Teknik Informatika dan Sistem Informasi. Setiap 5 tahun sekali, STIKOM Tunas Bangsa Pematangsiantar selalu melakukan pembaharuan akreditasi kampus. Kelulusan merupakan salah satu elemen penting dalam proses penilaian akreditasi suatu institusi atau perguruan tinggi. Jika mahasiswa dapat lulus tepat waktu maka akan membantu proses penilaian akreditasi

(2)

suatu perguruan tinggi [1]. Keuntungan bagi mahasiswa yang lulus tepat waktu adalah mereka dapat segera bekerja setelah lulus tanpa perlu terikat pada dunia Pendidikan. Yang menjadi kendala adalah waktu kelulusan mahasiswa tidak selalu dapat dideteksi sejak dini. Hal tersebut berdampak terjadinya keterlambatan lulusan mahasiswa. Pentingnya untuk mengetahui informasi mengenai prediksi kelulusan mahasiswa Program Studi Sistem Informasi di STIKOM Tunas Ban gsa Pematangsiantar, sehingga sejak dini dapat diidentifikasi mahasiswa yang akan gagal atau tidak dapat lulus tepat waktu. Dengan mengetahui hasil prediksi tersebut, sehingga dapat diberikan beberapa alternatif pilihan untuk melakukan peningkatan kemampuan melalui bimbingan yang sifatnya khusus.

Penerapan Data mining dapat digunakan untuk melakukan prediksi terhadap kelulusan mahasiswa Program Studi Sistem Informasi di STIKOM Tunas Bangsa Pematangsiantar. Data mining adalah gabungan dari beberapa disiplin ilmu yang menyatukan Teknik dari pembelajaran mesin, pengenalan pola, statistik, database, dan visualiasi untuk penanganan permasalahan pengambilan informasi dari database yang besar. Data mining sendiri dibagi menjadi beberapa kelompok berdasarkan tugas yang dilakukannya, yaitu deskripsi, estimasi, prediksi, klasifikasi dan pengklusteran [2]. Metode yang sering digunakan untuk melakukan prediksi kelulusan mahasiswa adalah metode klasifikasi. Dimana metode klasifikasi merupakan pendekatan untuk menjalankan fungsi klasifikasi dalam data mining yaitu menggolongkan data [1]. Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi dapat juga digunakan (untuk keadaan yang tepat) untuk prediksi atas informasi yang belum diketahui [2]. Adapun beberapa Algoritma yang dapat digunakan antara lain adalah Algoritma Decision Tree C4.5, Artificial Neural Networks (ANN), K-Nearest Neighbour (KNN), Naïve Bayes, Algoritma Genetika, Rough Set, Metode Berbasis Aturan, Memory Based Reasoning, dan Support Vector Machine.

Pada penelitian yang ini, metode yang akan digunakan oleh peneliti adalah adalah Algoritma C4.5. Algoritma C4.5 sendiri sudah banyak digunakan untuk melakukan klasifikasi pada data yang memiliki atribut numerik maupun kategorial.

Terdapat beberapa penelitian terdahulu yang membahas tentang prediksi kelulusan mahasiswa tepat waktu. Eko Prasetiyo Rohmawan (2018) melakukan penelitian, yaitu Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Decision Tree dan Artificial Neural Network, diperoleh nilai akurasi dengan melakukan pengujian dengan metode Decision Tree adalah sebesar 74,51% dan pengujian dengan menggunakan Artificial Neural Network sebesar 79,74%. Penelitian yang sama juga pernah dilakukan oleh Ratna Puspita Sari Putri (2018), yaitu penerapan Algoritma C4.5 pada Aplikasi Prediksi Kelulusan Mahasiswa Prodi Informatika.

Pada penelitian ini diperoleh atribut yang paling dominan dalam kelulusan mahasiswa adalah IPK. Dan diperoleh nilai precision 63,93%, recall 60.73% dan akurasi 60.52%.

Perlu dilakukan evaluasi dengan melakukan perhitungan terhadap kinerja dari pohon keputusan yang telah dibangun sebelumnya. Pengukuran kinerja dilakukan dengan menggunakan confusion matrix. Confusion matrix diperoleh dengan membandingkan hasil prediksi dengan menggunakan aplikasi dengan hasil yang sebenarnya. Untuk mengukur kinerja dari pohon keputusan digunakan precision, recall dan akurasi. Pada penelitian ini, penulis akan melakukan penelitian terhadap prediksi kelulusan mahasiswa terkhusus pada Program Studi Sistem Informasi di STIKOM Tunas Bangsa Pematangsiantar dengan menggunakan Algoritma C4.5.

Dilakukan pengukuran terhadap pohon keputusan yang terbentuk untuk memperoleh nilai precision, recall dan akurasinya. Sebagai data training yang akan digunakan oleh peneliti adalah data alumni mahasiswa yang berasal dari Program Studi Sistem Informasi STIKOM Tunas Bangsa Pematangsiantar Angkatan 2014 dan 2015.

(3)

Sedangkan untuk data testing yang akan digunakan adalah data mahasiswa tingkat akhir Angkatan 2016. Dari hasil pengolahan data training dan data testing dapat diketahui informasi kelulusan mahasiswa yang dapat dijadikan dasar dalam pengambilan keputusan untuk meningkatkan jumlah lulusan di Program Studi Sistem Informasi STIKOM Tunas Bangsa Pematangsiantar.

2. Metodologi Penelitian

2.1. Data Mining

Data mining merupakan suatu proses penggalian atau penambangan informasi untuk menemukan informasi yang tidak ditemukan sebelumnya dari sekumpulan data besar (big data) atau repository database lainnya [3].

Data Mining bukan sekedar terkumpul data saja tetapi mencangkup analisis dan prediksi dari informasi yang ingin ditampilkan. Data yang dikumpulkan disimpan dalam database kemudian diproses sehingga dapat dijadikan untuk pengambilan keputusan dalam melihat informasi yang akan di gunakan [4].

2.2. Algoritma C4.5

Algoritma C4.5 pertama sekali diperkenalkan oleh Quinlan pada tahun 1993.

Algoritma C4.5 merupakan pengembangan dari Algoritma ID3 ( Iterative Dichotomiser 3). Algoritma C4.5 merupakan salah satu algoritma yang digunakan dalam membentuk sebuah pohon keputusan. Dimana metode poho n keputusan dapat mengubah kumpulan data yang sangat besar menjadi sebuah pohon keputusan yang dapat merepresentasikan aturan [5]. Adapun kelebihan dari Algoritma C4.5 dibandingkan dengan algoritma ID3 adalah mampu mengatasi nilai yang hilang (missing value), mampu mengatasi data yang bertipe kontinu, dan melakukan pemangkasan pohon (prunning tree) [6]. Tahapan-tahapan pembuatan pohon keputusan dengan menggunakan algoritma C4.5 antara lain sebagai berikut [5].

a) Menyiapkan data training

Data berasal dari data yang sudah dikumpulkan sebelumnya dan di kelompokkan kedalam kelas tertentu.

b) Menentukan akar dari pohon

Akar di pilih dari atribut dengan cara menghitung nilai gain dari semua atribut, dan nilai gain yang paling besar akan menjadi akar pertama.

Sebelum menghitung nilai gain, sebaiknya hitung nilai entropy terlebih dahulu. Berikut merupakan rumus yang digunakan dalam menghitung nilai entropy:

( ) ∑ (1)

Keterangan :

S = himpunan kasus n = jumlah partisi S

pi = proporsi Si terhadap S

c) Hitung nilai gain dengan menggunakan rumus sebagai berikut : ( ) ( ) ∑

( ) (2) Keterangan :

S = Himpunan Kasus A = Atribut

n = Jumlah Partisi Atribut A

| Si |= Jumlah Kasus pada partisi ke-i

| S | = Jumlah Kasus dalam S

d) Kemudian ulangi langkah kedua sampai semua record terpartisi secara sempurna.

e) Proses partisi pohon keputusan akan berhenti jika :

(4)

a. Semua record pada simpul N mendapatkan kelas yang sama.

b. Tidak ada atribut di dalam record yang dipartisi lagi.

c. Tidak ada record didalam cabang yang kosong.

2.3. Pohon Keputusan (Decision Tree)

Pohon keputusan menggunakan struktur representasi pohon ( tree) dimana setiap node merepresentasikan atribut, cabangnya merepresentasikan nilai atribut dan daun merepresentasikan kelas [7]. Pohon keputusan merupakan representasi sederhana dari teknik klasifikasi untuk sejumlah kelas berhingga, dimana simpul internal maupun akar ditandai dengan nama atribut, rusuk-rusuknya diberi label nilai atribut yang mungkin dan simpul daun ditandai dengan kelas-kelas yang berbeda [5].

3. Hasil dan Pembahasan

Dalam penelitian ini, untuk mengetahui mahasiswa dapat lulus tepat waktu adalah lama studi. Jika Lama studi mahasiswa adalah ≤ 4 tahun, maka dapat diketahui bahwa mahasiswa tersebut lulus tepat waktu (Yes). Jika Lama studi mahasiswa adalah > 4 tahun, maka dapat diketahui bahwa mahasiswa tersebut tidak lulus tepat waktu (No). Oleh karena itu, kriteria lama studi digunakan sebagai label.

Rumus untuk mencari entropy adalah sebagai berikut.

A. Perhitungan mencari Entropy ( ) ∑ maka :

Entropy(Total) = ( ^{( )}

(^{( )}

)) ( ^{( )}

(^{( )}

)) Entropy(Total) = (

(

)) (

(

)) = 0.468995594 Tabel 1. Entropy total kasus

Total Kasus Lama Studi Entropy

≤ 4 Tahun (Ya) > 4 Tahun (Tidak)

200 180 20 0.468995594

1. Perhitungan entropy IPK

Sebelum menghitung entropy untuk IPK diperlukan untuk melakukan pengelompokan IPK yang akan dibagi menjadi 3 kategori yaitu tinggi sangat memuaskan dan rendah.

Untuk IPK kurang dari 2,75 akan masuk kategori memuaskan. Untuk IPK yang berada diantara 2,76 – 3,50 akan masuk kategori sangat memuaskan. Dan untuk IPK yang berada diatas 3,50 akan masuk kategori cumlaude.

Entropy (IPK, Cumlaude) = (

(

)) (

(

)) = 0.205592508 Entropy (IPK, Sangat memuaskan) = (

(

)) (

(

)) = 0.385285119

Entropy (IPK, Memuaskan) = (

(

)) (

(

)) = 0.863120569

2. Perhitungan entropy Status mahasiswa Entropy (Status Mahasiswa, Lulus) = (

(

)) (

(

)) = 0.525935984

Entropy (Status Mahasiswa, Aktif) = (

(

)) (

(

)) = 0.405020133

(5)

3. Perhitungan entropy Absensi

Sebelum dilakukan perhitungan entropy untuk absensi terlebih dahulu dilakukan pengelompokan absensi. Untuk nilai absensi yang berada diatas 90 akan masuk kategori sangat baik. Untuk absensi yang berada diantara 76- 90 akan masuk ke dalam kategori baik. Untuk absensi yang berada diantara 61-75 akan masuk ke dalam

kategori cukup. Untuk absensi yang berada dibawah 60 masuk kedalam kategori kurang.

Entropy (Absensi, Sangat baik) = (

(

)) (

(

)) = 0.149811367

Entropy (Absensi, Baik) = (

(

)) (

(

)) = 0.410416142 Entropy (Absensi, Cukup) = (

(

)) (

(

)) = 0.99107606 Entropy (Absensi, Kurang) = ( ( )) ( ( )) = 0.811218124 4. Perhitungan entropy Status bekerja

Entropy (Status bekerja, Ya) = (

(

)) (

(

)) = 0.799759411

Entropy (Status bekerja, Tidak) = (

(

)) (

(

)) = 0.158384407

B. Perhitungan mencari Gain

Rumus untuk menghitung gain adalah sebagai berikut ( ) ( ) ∑

( ) 1. Perhitungan gain IPK

Gain (total, IPK) = ( ) ∑

( ) Gain (total, IPK) = (

) (

) = 0.13381905762 2. Perhitungan gain Status mahasiswa

Gain (total, SM) = ( ) ∑ ( ) Gain (total, SM) = (

) (

) = 0.00291295624 3. Perhitungan gain Absensi

Gain (total, Absensi) = ( ) ∑

( ) Gain (total, Absensi) = (

) (

) = 0.11948524012

4. Perhitungan gain Status Bekerja

Gain (total, SB) = ( ) ∑ ( ) Gain (total, SB) = (

) (

) = 0.0861299356

Tabel 2. Perhitungan Node 1

Atribut Kasus (S) Yes (S1) No (S2) Entropy Gain

Total 200 180 20 0.468995594

(6)

IPK 0.13381905762

Cumlaude 93 90 3 0.205592508

Sangat Memuaskan 93 86 7 0.385285119

Memuaskan 14 4 10 0.863120569

Status Mahasiswa 0.00291295624

Lulus 101 89 12 0.525935984

Aktif 99 91 8 0.405020133

Absensi 0.11948524012

Sangat Baik 93 91 2 0.149811367

Baik 85 78 7 0.410416142

Cukup 18 10 8 0.991076060

Kurang 4 1 3 0.811218124

Status Bekerja 0.08612993560

Ya 70 53 17 0.799759411

Tidak 130 127 3 0.158384407

Pada tabel diatas dapat kita lihat bahwa atribut status mahasiswa memiliki gain yang paling tinggi yaitu 0.13381905762. Maka atribut IPK akan menjadi node akar.

Selanjutnya akan dilakukan perhitungan terhadap cara yang sama untuk mendapatkan node berikutnya. Pada atribut IPK terdapat tiga partisi yaitu cumlaude, sangat memuaskan dan memuaskan. Dari hasil perhitungan diketahui bahwa pada partisi cumlaude memiliki nilai entropy 0.205592508, partisi sangat memuaskan memiliki nilai entropy 0.385285119 dan partisi memuaskan memiliki nilai entropy 0.863120569 pada kasus Yes (≤ 4 tahun).

Sehingga dapat dipastikan semua status mahasiswa aktif akan menghasilkan label No (> 4 tahun). Dan nilai entropy tertinggi ada pada partisi lulus yaitu 0.341510030 yang akan digunakan sebagai entropy total untuk mencari Node 2, maka pohon keputusan akan dibuat sebagai berikut.

Gambar 1. Pohon keputusan 1

Sedangkan untuk partisi lulus masih terdapat dua keputusan Yes (≤ 4 tahun) dan No (> 4 tahun), sehingga masih perlu dilakukan pencarian node berikutnya dengan menggunakan data yang telah direduksi dengan melakukan filter status mahasiswa = lulus. Atribut yang perlu dihitung kembali adalah IPK, absensi, dan status bekerja. Sehingga diperoleh data hasil perhitungan gain untuk node 2 adalah sebagai berikut.

Total 200 180 20 0.468995594

Lulus 46 45 1 0.151096971

Aktif 47 45 2 0.253878440

Absensi 0.40872319525

Sangat Baik 64 64 0 0.000000000

Baik 25 23 2 0.402179190

Cukup 2 2 0 0.000000000

Kurang 2 1 1 1.000000000

Status Bekerja 0.40475321611

Ya 23 20 3 0.558629373

Tidak 70 70 0 0.000000000

(7)

Diperoleh nilai gain tertinggi dari atribut absensi yaitu 0.40475321611. Sehingga atribut status bekerja dapat menjadi node berikutnya setelah status bekerja. Maka pohon keputusan dapat dibuat sebagai berikut.

Gambar 2. Pohon keputusan 2

Atribut status bekerja memiliki 2 partisi, yaitu ya dan tidak. Dari hasil perhitungan gain untuk node 2 diketahui nilai entropy dari partisi tidak adalah 0 (nol). Sehingga dapat diketahui bahwa status bekerja tidak, akan menghasilkan label Yes (≤ 4 tahun). Dan nilai entropy yang paling tinggi adalah pada partisi status bekerja ya yaitu sebesar 0.558629373. Nilai entropy tersebut yang akan digunakan sebagai entropy total untuk melakukan perhitungan node 3 sebagai berikut.

Total 23 20 3 0.558629373

Lulus 14 13 1 0.151096971

Aktif 9 7 2 0.253878440

Absensi 0.22686812691

Sangat Baik 5 5 0 0.000000000

Baik 14 12 2 0.402179190

Cukup 2 2 0 0.000000000

Kurang 2 1 1 1.000000000

Diperoleh nilai entropy yang paling tinggi dari atribut absensi yaitu 0.402179190.

Sehingga atribut absensi dapat dijadikan node ke 3. Atribut absensi memiliki empat partisi yaitu sangat baik, baik, cukup dan kurang. Dari hasil perhitungan node 3 diketahui partisi sangat baik dan cukup memiliki nilai entropy 0 (nol) berarti dapat dipastikan bahwa partisi absensi sangat baik akan menghasilkan label Yes (≤ 4 tahun). Partisi kurang memiliki nilai entropy 1 (satu) berarti dapat dipastikan bahwa partisi absensi sangat baik akan menghasilkan label No (> 4 tahun). Dan partisi baik memiliki nilai entropy 0.402179190. Maka hasil akhir pohon keputusan dapat dibuat seperti pada gambar berikut.

Gambar 3. Hasil akhir pohon keputusan

(8)

Setelah dilakukan perhitungan dan pengujian pada data dengan menggunakan Algoritma C4.5 maka akan didapatkan pola keputusan akhir.

Gambar 4. Menampilkan decision tree

Dari pohon keputusan yang terbentuk dengan menggunakan algoritma C4.5 diperoleh rule berupa teks yang terbentuk dari proses penggalian data.

Gambar 5. Deskripsi decision tree

Gambar diatas menunjukkan hasil deskripsi secara lengkap dari pohon keputusan yang telah terbentuk dengan menggunakan Algoritma C4.5. Dari hasil deskripsi juga menunjukkan bahwa Algoritma C4.5 baik digunakan dalam proses penggalian data untuk menarik beberapa kesimpulan yang divisualisasikan ke dalam pohon keputusan. Berikut merupakan rule yang diperoleh pohon keputusan yang terbentuk.

1. Jika IPK = Cumlaude dan Status Bekerja = Tidak, maka Lama studi ≤ 4 tahun (Lulus tepat waktu).

2. Jika IPK = Cumlaude, Status Bekerja = Ya dan Absensi = Baik, maka Lama studi ≤ 4 tahun (Lulus tepat waktu).

3. Jika IPK = Cumlaude, Status Bekerja = Ya dan Absensi = Cukup, maka Lama studi ≤ 4 tahun (Lulus tepat waktu).

4. Jika IPK = Cumlaude, Status Bekerja = Ya dan Absensi = Kurang, maka Lama studi > 4 tahun (tidak Lulus tepat waktu).

5. Jika IPK = Cumlaude, Status Bekerja = Ya dan Absensi = Sangat Baik, maka Lama studi ≤ 4 tahun (Lulus tepat waktu).

6. Jika IPK = Memuaskan, maka Lama studi > 4 tahun (tidak Lulus tepat waktu).

7. Jika IPK = Sangat Memuaskan, maka Lama studi ≤ 4 tahun (Lulus tepat waktu).

Dari proses pengolahan data mahasiswa dengan menggunakan Software RapidMiner didapatkan hasil akurasi dengan penerapan Algoritma C4.5 sebesar 90.00%. Untuk lebih jelasnya dapat dilihat pada gambar berikut.

(9)

Gambar 6. Nilai akurasi Algoritma C4.5

Gambar 7. Nilai Performanace Vektor Algoritma C4.5

Dari hasil performance vector diatas dapat diketahui bahwa penerapan Algoritma C4.5 dalam memprediksi kelulusan dengan menggunakan software RapidMiner memperoleh tingkat akurasi sebesar 90.00%. Dari gambar diatas dijelaskan bahwa prediksi lulus ≤ 4 tahun memiliki nilai 53 dan prediksi lulus > 4 tahun memiliki nilai 5 dengan nilai precision sebesar 91.38% dan nilai recall sebesar 98.15%.

4. Kesimpulan

Berdasarkan pembahasan pada bab - bab sebelumnya, mengenai Prediksi Kelulusan Mahasiswa STIKOM Tunas Bangsa Pematangsiantar Prodi Sitem Informasi dengan Menggunakan Algoritma C4.5, maka dapat diperoleh kesimpulan sebagai berikut:

a) Penerapan Algoritma C4.5 pada prediksi kelulusan mahasiswa tingkat akhir prodi Sistem Informasi di STIKOM Tunas Bangsa Pematangsiantar, diperoleh tingkat akurasi sebesar 90.00% dengan precision sebesar 91.38% dan recall sebesar 98.15%.

b) Berdasarkan hasil penelitian yang telah dilakukan, menunjukkan bahwa atribut IPK (C1) memiliki pengaruh paling tinggi dalam menentukan kelulusan mahasiswa.

c) Dengan adanya penerapan data mining Algoritma C4.5 dalam melakukan prediksi kelulusan mahasiswa STIKOM Tunas Bangsa prodi Sitem Informasi dapat membantu pihak institusi dalam mengambil keputusan dalam membantu meningkatkan jumlah lulusan mahasiswa prodi Sistem Informasi di STIKOM Tunas Bangsa Pematangsiantar.

Daftar Pustaka

[1] E. P. Rohmawan, “Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Decision Tree Dan Artificial Neural Network,” J. Ilm. MATRIK, vol. 20, no. 1, pp. 21–30, 2018.

[2] Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” J. Edik Inform., vol. 2, no. 2, pp. 213–219, 2017.

[3] E. Elisa, “Analisa dan Penerapan Algoritma C4.5 Dalam Data Mining Untuk Mengidentifikasi Faktor-Faktor Penyebab Kecelakaan Kerja Kontruksi PT.Arupadhatu Adisesanti,” J. Online Inform., vol. 2, no. 1, p. 36, 2017, doi:

(10)

10.15575/join.v2i1.71.

[4] A. S. Sunge, “Prediksi Kompetensi Karyawan Menggunakan Algoritma C4 . 5 ( Studi Kasus : PT Hankook Tire Indonesia ),” Semin. Nas. Teknol. Inf. dan Komun.

2018 (SENTIKA 2018), vol. 2018, no. Sentika, pp. 23–24, 2018.

[5] J. Eska, “Penerapan Data Mining Untuk Prediksi Penjualan Wallpaper Menggunakan Algoritma C4.5,” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. 2, 2018, doi: 10.31227/osf.io/x6svc.

[6] W. Rumaenda, Y. Wilandari, and D. Safitri, “Perbandingan Klasifikasi Penyakit Hipertensi Menggunakan Regresi Logistik Biner dan Algoritma C4.5 (Studi Kasus UPT Puskesmas Ponjong I, Gunungkidul),” J. Gaussian, vol. 5, no. 2, pp. 299–

309, 2016.

[7] N. Azwanti, “Analisa Algoritma C4.5 Untuk Memprediksi Penjualan Motor Pada Pt. Capella Dinamik Nusantara Cabang Muka Kuning,” Inform. Mulawarman J.

Ilm. Ilmu Komput., vol. 13, no. 1, p. 33, 2018, doi: 10.30872/jim.v13i1.629.